本文关注于使用CNN-LSTM-FCM模型进行未知复合故障诊断。网络结构通过折叠层、序列展开层和卷积层等提取特征，LSTM进行序列分析。预期模型能准确区分已知和未知故障类别，并输出每类故障的概率。然而，实验数据显示故障信号与正常信号差异过大，可能导致数据合理性受损，特别是当故障信号包含在数据打乱的过程中。这提出了数据预处理和模型适应性方面的挑战。
CNN-LSTM-FCM
目的
1、未知复合故障诊断
2、复合故障解耦
网络
折叠层：将输入的序列构建成测量数据帧
序列展开层、扁平化层：恢复序列结构、输出矢量序列
卷积：提取特征
LSTM和输出：对输出的矢量序列进行分类
预期效果：
1、测试集中的已知类别：输出为1左右；测试集中的未知类别：输出在0.5左右
2、分别输出每一类的概率。如：有５组传感器信号，１和３为故障信号，其余正常，将这组数据输入传统 ＣＮＮ 模型，输出可能是故障１，也可能是故障３，但只能输出其中一种故障。若输入CNN-LSTM-FCM 模型，则模型的概率输出为［１０１００］，从而诊断出同时具有故障１和３。
实验结果
存在的问题
数据：
图4为5个传感器的正常信号，图5为故障信号。从图中看，故障信号后端直接拉平，应该是传感器短路或者断路，问题就是：故障信号和正常信号差异性也太大了吧，在把数据打乱的时候，故障信号包括前面的还好说，包含了后面的故障信号貌似会导致数据缺乏合理性。
扫一扫
1194
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
